Можно ли предсказать, когда начнет разрушаться дорога: как алгоритмы рассчитывают ее остаточный ресурс
Дорогу традиционно ремонтируют исходя из ее фактического состояния: специалисты измеряют ровность и колейность, оценивают дефекты покрытия, обследуют дорожную одежду и по результатам диагностики определяют необходимые работы. Однако сегодня в отрасли формируется более сложный подход. Задача заключается уже не только в том, чтобы установить состояние участка на момент обследования, но и спрогнозировать, как быстро он будет терять свои характеристики и когда потребуется вмешательство. Для этого данные диагностики начинают объединять с информацией о транспортных нагрузках, историей эксплуатации и алгоритмами машинного обучения.
В 2026 году это направление получило и нормативную основу. С 15 июня действует ПНСТ 1055-2026 «Системы искусственного интеллекта на автомобильном транспорте. Анализ качества дорожного покрытия. Общие положения». Документ распространяется на ИИ-системы, предназначенные для анализа качества усовершенствованного дорожного покрытия в процессе движения, причем область их применения охватывает не только мониторинг технического состояния, но и планирование работ по содержанию и ремонту.
Одновременно ФАУ «РОСДОРНИИ» разрабатывает методику управления состоянием автомобильных дорог на основе определения остаточного ресурса дорожных одежд. В феврале 2026 года институт представил эту работу на конференции «Сибирские дороги». Таким образом, два направления — автоматизированное распознавание состояния дороги и расчет ее оставшегося ресурса — постепенно сходятся в одной задаче: понять не только, что происходит с дорогой сегодня, но и что с ней будет происходить дальше.
Почему возраста дороги недостаточно
На первый взгляд может показаться, что срок ремонта можно определить достаточно просто. Известно, когда участок построили или отремонтировали, известен нормативный межремонтный срок — остается рассчитать следующую дату. В действительности две одинаковые по конструкции дороги могут стареть совершенно по-разному.
Одна принимает преимущественно легковой транспорт, другая ежедневно работает под интенсивным грузовым потоком. На одном участке тяжелые автомобили движутся с нормативной массой, на другом существенно выше доля повышенных осевых нагрузок. Отличаются климат, водно-тепловой режим, состояние основания, качество первоначального строительства и последующего содержания.
Поэтому календарный возраст дороги и ее фактический ресурс — не одно и то же.
Особое значение имеет тяжелый транспорт. Для дорожной конструкции важен не только общий показатель интенсивности движения, но и состав потока, масса транспортных средств и нагрузка, приходящаяся на оси автомобилей. Именно эти параметры специалисты РосдорНИИ рассматривают при определении остаточного ресурса дорожной одежды. Для получения фактических данных могут использоваться автоматические пункты весогабаритного контроля — АПВГК.
Таким образом, вопрос постепенно меняется. Вместо «сколько лет этой дороге?» становится важнее другое: какую нагрузку она уже восприняла и какую еще способна выдержать до достижения предельного состояния?
Что такое остаточный ресурс дороги
Под асфальтом находится многослойная инженерная конструкция. Покрытие, основание и другие слои дорожной одежды совместно воспринимают транспортную нагрузку и передают ее на земляное полотно. С каждым проходом автомобилей конструкция получает очередную порцию воздействия.
Эти воздействия накапливаются.
Поэтому остаточный ресурс можно рассматривать как способность дорожной одежды продолжать воспринимать расчетные нагрузки до момента, когда ее состояние потребует соответствующего вмешательства. Для такой оценки необходимо знать не только параметры самой конструкции, но и реальную транспортную нагрузку, которой она подвергалась в процессе эксплуатации.
Специалисты РосдорНИИ отмечают, что мониторинг интенсивности движения, состава транспортного потока и весовых характеристик позволяет выделять участки, требующие первоочередного внимания. Это дает возможность использовать остаточный ресурс не просто как расчетный показатель, а как инструмент для выбора между содержанием, ремонтом, капитальным ремонтом и реконструкцией.
Для дорожного хозяйства разница принципиальна. При ограниченном финансировании задача заключается не в том, чтобы одновременно ремонтировать все дороги с признаками износа, а в том, чтобы определить, где промедление приведет к наиболее быстрому и дорогостоящему развитию разрушения.
ИИ уже учится видеть дефекты
Еще один элемент этой системы — автоматический анализ состояния покрытия.
В 2025 году при развитии ФГИС СКДФ был создан модуль с применением технологий искусственного интеллекта, который позволяет автоматически выявлять и классифицировать дефекты дорожного покрытия по фото- и видеоматериалам. Кроме того, в системе появился отдельный модуль ведения планов и результатов инструментальной диагностики, а также были модернизированы инструменты планирования дорожных работ.
Для дорожной диагностики это существенное изменение.
При традиционном обследовании огромный объем информации необходимо получить, обработать и классифицировать. Камеры и специализированные комплексы способны собирать изображения покрытия непосредственно во время движения автомобиля. Алгоритм, в свою очередь, может анализировать массив снимков и выделять характерные дефекты.
Новый ПНСТ 1055-2026 как раз формирует общие требования к таким системам — к исходным данным, организации анализа и результатам оценки. Среди ключевых понятий стандарта Росстандарт указывает транспортно-эксплуатационное состояние дорог, искусственный интеллект и распознавание дефектов.
Но здесь необходимо провести важную границу. Распознать трещину и предсказать дальнейшее разрушение дороги — разные задачи.
Фотография показывает состояние поверхности сейчас. Для прогноза необходимо понять динамику: как изменялся участок раньше, какие нагрузки он получает, насколько быстро ухудшаются его характеристики и какие закономерности повторяются.
Именно здесь начинается работа с большими массивами данных.
Алгоритму нужна история дороги
Представим, что состояние одного участка измерялось каждый год на протяжении десяти лет. Есть данные о ровности покрытия, интенсивности движения, составе транспортного потока, проведенных ремонтах и изменении эксплуатационных характеристик.
Получается не отдельная фотография, а временной ряд.
Если таких данных достаточно, математическая модель может искать зависимости между транспортной нагрузкой и изменением состояния дороги, а затем пытаться прогнозировать дальнейшую динамику.
Российские исследователи уже проверяли такой подход на реальном объекте — участке 86-го километра федеральной трассы М-1 «Беларусь». Для анализа использовались данные передвижных дорожных лабораторий за 2014–2023 годы, включая сведения об интенсивности движения и международном индексе ровности IRI. Исследователи применяли линейную регрессию, градиентный бустинг, случайный лес и нейронные сети LSTM.
Это важный пример, но его не стоит преувеличивать. Речь идет об исследовательской модели на конкретном участке, а не о системе, которая уже сегодня прогнозирует дату ремонта каждой федеральной дороги.
Тем не менее эксперимент показывает сам принцип. Алгоритм получает накопленные данные, ищет в них зависимости и формирует прогноз будущих показателей. Авторы исследования рассматривают такой подход как возможность оптимизировать сроки и затраты при планировании мероприятий на стадии эксплуатации дорожной инфраструктуры.
Может ли компьютер назвать год будущего ремонта?
Пока корректнее говорить не о предсказании точной даты разрушения, а об оценке риска и динамики ухудшения состояния.
Дорога — слишком сложная система, чтобы сообщить: «17 апреля 2031 года здесь появится первая критическая трещина». На ее состояние влияют факторы, которые невозможно заранее определить с абсолютной точностью: фактическая интенсивность движения, перегруз, погода, качество содержания, локальные изменения водного режима и множество других обстоятельств.
Но для управления дорожной сетью точность до конкретного дня и не требуется.
Гораздо важнее определить, что один участок при существующей динамике способен сохранять требуемое состояние еще несколько лет, тогда как другой приближается к границе, после которой обычного ремонта может оказаться недостаточно.
И здесь прогнозирование становится экономическим инструментом.
Если вмешаться слишком рано, можно потратить средства на участок, ресурс которого еще не исчерпан. Если слишком поздно — повреждение верхнего слоя может перерасти в более серьезные нарушения конструкции, и вместо сравнительно ограниченного ремонта потребуется значительно более дорогое восстановление.
Поэтому задача алгоритма в перспективе состоит не столько в предсказании появления конкретной ямы, сколько в определении оптимального момента вмешательства.
От диагностики по графику — к постоянному потоку данных
Еще одно важное изменение связано с самим способом получения информации о дороге.
Традиционная диагностика проводится с определенной периодичностью. Между двумя обследованиями состояние участка продолжает меняться, но подробной картины этой динамики у владельца дороги может не быть.
Цифровизация постепенно сокращает этот информационный разрыв. Фото- и видеоматериалы могут собираться мобильными комплексами, интенсивность и состав транспортного потока — пунктами учета, весовые характеристики — АПВГК, результаты инструментальной диагностики и сведения о дорожных работах — накапливаться в информационных системах.
ФГИС СКДФ уже развивается именно как среда, в которой объединяются различные сведения о дорожной сети. В 2025 году помимо ИИ-модуля распознавания дефектов были созданы инструменты взаимодействия с внешними информационными системами и учета инструментальной диагностики.
Потенциально ценность возникает именно при объединении этих массивов.
Одна трещина сама по себе говорит немного. Но если известно, когда она появилась, как быстро увеличивалась, как менялась ровность участка, сколько тяжелых автомобилей прошло здесь за это время и какие работы выполнялись ранее, перед специалистом оказывается уже не просто дефект, а история деградации дорожной конструкции.
И такую историю можно анализировать математически.
Почему алгоритм все равно может ошибиться
Чем привлекательнее выглядит идея прогнозного ремонта, тем важнее понимать ее ограничения.
Модель машинного обучения не обладает собственным знанием о дороге. Она строит прогноз на основании информации, которой ее обеспечили. Если исходные данные неполны, собраны разными методами, имеют разную точность или охватывают слишком короткий период, качество прогноза неизбежно снижается.
Существует и другая проблема: российская дорожная сеть крайне неоднородна. Конструкция дороги, которая работает в северном регионе, климатически и эксплуатационно отличается от дороги на юге страны. Различаются грунты, температурные режимы, количество переходов через ноль, транспортная нагрузка и применяемые материалы.
Модель, хорошо показавшая себя на одном участке, нельзя автоматически переносить на тысячи километров совершенно других дорог.
Именно поэтому развитие нормативной базы имеет не меньшее значение, чем совершенствование самих алгоритмов. ПНСТ 1055-2026 устанавливает общие требования к организации процессов ИИ-анализа, исходным данным и результатам оценки. Документ введен на ограниченный срок — до 15 июня 2029 года, что соответствует самой логике предварительного национального стандарта: технология должна пройти этап практического применения и накопления опыта.
Главное — не найти дефект, а успеть до него
Сегодня элементы будущей прогнозной системы уже существуют, но пока находятся на разных уровнях зрелости. ИИ способен автоматически распознавать дефекты по изображениям. Инструментальная диагностика дает объективные характеристики дороги. АПВГК позволяет получать сведения о фактических нагрузках. Разрабатывается методика определения остаточного ресурса дорожных одежд. Экспериментальные модели машинного обучения проверяются на реальных данных.
Следующий этап значительно сложнее — связать эти элементы так, чтобы накопленная информация превращалась в обоснованный прогноз и помогала выбирать приоритет ремонта.
Фактически дорожная отрасль постепенно переходит от ответа на вопрос «где дорога уже разрушилась?» к двум другим: «где она начнет разрушаться раньше?» и «когда вмешательство будет наиболее эффективным?»
В масштабах одной дороги разница может показаться небольшой. В масштабах сети, насчитывающей сотни тысяч километров, это уже вопрос распределения огромных объемов средств.
Поэтому искусственный интеллект в дорожном хозяйстве интересен вовсе не тем, что научился узнавать яму на фотографии. Это лишь первый уровень задачи. Настоящая ценность появится тогда, когда данные о состоянии конструкции, транспортных нагрузках и истории эксплуатации позволят достаточно надежно оценивать оставшийся ресурс и назначать ремонт до того, как начавшееся повреждение потребует более дорогого вмешательства.
И тогда дорожная диагностика действительно изменит свою роль: она будет не только фиксировать прошлое и настоящее дороги, но и помогать рассчитывать ее будущее.